摘要：利用造纸废水处理监控系统取得表征废水水质的各项指标，在此基础上研究了基于bp网络和rbf网络的造纸废水处理建模。仿真结果表明，bp网络较rbf网络对样本数据的仿真误差较小，泛化能力更好；输入量考虑历史出水cod变化趋势的网络，其仿真效果要优于不考虑变化趋势的网络；运用基于bp网络和rbf网络的造纸废水处理模型能够准确的预测出水cod，为实现废水处理的自动控制提供可行途径。 关键词：造纸；废水处理；bp神经网络；rbf神经网络；仿真研究
       在造纸废水处理过程中，进水流量、进水cod以及加药量等影响因素直接关系到出水水质的好坏；另外由于目前大多造纸厂采用人工操作控制，操作误差、测量滞后等原因，亦造成出水水质不稳定、故障频发等问题，而智能控制可以解决这一问题。但废水处理过程具有复杂性、非线性、时变性、不确定性等特点。人工神经网络以其具有自学习、自组织、自适应以及良好的非线性映射等能力，特别适合复杂非线性系统的建模与控制，其中目前广泛应用的bp网络和rbf网络以其各自的优点，成为废水处理的研究热点[1]。本文在造纸废水处理一体化系统取得表征废水处理指标的基础上，通过实现对bp网络和rbf网络的设计、建立、仿真和运行，考察这两种网络对造纸废水处理的适应性，为更好的有效实现造纸废水处理的自动控制提供可行途径。   1  人工神经网络废水处理建模原理      人工神经网络(artificial neural network，简称ann)对废水处理系统的建模原理如图1所示，首先根据废水处理系统的输入输出数据建立样本集。在学习过程中把样本集中的数据输入神经网络；根据样本的输入值计算出网络的输出值；计算样本输出与网络输出的差值；根据计算的差值由梯度下降法调整网络的权矩阵；重复上述过程，直到整个样本集的误差不超过规定范围，学习即结束。 图1  造纸废水处理系统ann建模原理示意图        经过训练后的网络模型相当于实际废水处理系统的近似模型，如果通过采集模块采集实际系统的进水各水质指标并输入网络，得到的网络输出应该近似等于对应于各水质指标的实际系统的出水cod。基于这样的原理，针对滞后性的废水处理系统，本研究采用ann模型对未来时刻的出水cod进行预测，其中网络输入为与未来时刻出水cod有关的因素，网络输出为未来时刻的出水cod，以期通过预测得到当前时刻的加药量。   2  造纸废水处理实验系统设计 2.1   废水来源      废水取自东莞某造纸厂（主要原料为occ）,废水codcr为500－1600mg/l，ph5.5－6.8。 2.2  造纸废水处理实验系统      实验室废水处理工艺流程如图2所示。调节池中的废水与絮凝剂pac（5%聚合氯化铝）混合后经进水泵打入高效一体化反应器[2]，在里面发生反应、沉淀、过滤和澄清等作用完成泥水分离，处理水从反应器顶流出，污泥通过反应器底部排泥阀排出。
图 2  造纸废水处理工艺  
     本实验采用自动检测控制方法代替手工操作，完成水质的在线检测以及加药量的自动控制，其监测系统如图3所示。cod仪自动检测原水和出水cod值，检测频率通过plc控制电磁阀实现，cod值经adam4017＋模块转换成数字信号，显示在安装于ipc的mcgs（monitor and  control generated system）组态软件中；进水量和加药量通过adam4024模块输出电压控制蠕动泵和直流泵的工作电压以改变流量来实现；高效反应器中的污泥通过泥位计实时监测，再结合plc控制电磁阀保证反应器中的泥位保持在一定高度。
图3  造纸废水处理系统监控系统框图  
2.3  网络样本数据的选取      考虑进水量、进水cod和加药量三个因素，每个因素取4个水平，具体取值如表1所示，通过正交实验l16(45)，以自动监控系统完成各个水质指标的采集和加药量的自动加入，剔除mcgs数据库中奇异数据后，用于网络训练和测试的部分数据如表1所示。其中x(t)、u(t)、v(t)和y(t)分别表示t时刻的进水cod（mg/l）、加药量（ml/s）、进水量（ml/s）和出水cod（mg/l），y(t-2△t)和y(t-△t)分别表示t-2△t和t-△t时刻的出水cod（mg/l）,此处△t取2h；y’和y”分别表示出水cod在t-△t时刻的一阶和二阶导数，y’＝ y(